코로나 데이터 시각화 AI 경진대회 2위 수상작

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

https://dacon.io
월간 Dacon 4회
코로나 데이터 시각화
경진대회
Job_seeker
< 금배성, 김민지, 최수진 >

목차
1
2
3
https://dacon.io 2
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

Chapter 0
1
2
3
https://dacon.io 3
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

https://dacon.io 4
0-1. 연구 목적
연구 목적
- 코로나 사태를 [현황 – 유동인구 – 고령층] 으로 나눠,
코로나 사태에 대한 이해 및 인사이트 도출
현황 : 코로나 사태 현황을 시각화하여 시간이 흐...

https://dacon.io 5
0-2. 사용 데이터 셋

https://dacon.io 6
0-3. 사용 라이브러리
주요 시각화 도구
1. Pydeck
2. Pyecharts
3. Folium

Chapter 1
1
2
3
https://dacon.io 7
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

https://dacon.io 8
1-1. 누적현황
2. ‘pychart’라이브러리를 활용한 시각화
일자를 x축에 할당 후
확진자, 완치자, 사망자를 누적 라인 그래프
로 표시하여
누진확진자가 어떠한 양상으로
완치 or...

https://dacon.io 9
1-1. 누적현황
첫 확진자가 발생한 2020년 1월 20일부터 4월 30일까지의 코로나19의 일별 누적현황입니다.
사망자의 비율은 매우 낮으며, 급격히 증가한 누적확진자 추이가 시간 ...

https://dacon.io 10
1-2. 일별현황
2. ‘pyecharts’라이브러리를 활용한 시각화
라인그래프로 일별 양상을 보여줌으로써
일별 발생량이 어떻게 변화하고 있는지 시
각화
최대값, 최소값을 표시하여 어...

https://dacon.io 11
1-2. 일별현황
2020년 1월 20일부터 4월 30일까지 일별로 발생한 코로나19의 현황입니다.
2월 29일이 813명으로 신규 확진자가 가장 많으며 이후 2주 후 평균 수준으로 ...

https://dacon.io 12
1-3. 일별 실질적 코로나환자
1
1. 일별 코로나 환자 and 전날 대비 증감 칼럼 생성
지금껏 발표된 확진자 수는 ‘누적확진 횟수’에 해당
하므로 완치자를 제외한 일별 현재시험의...

https://dacon.io 13
1-3. 일별 실질적 코로나환자
해당 일자 코로나 환자 추이와(선_파란색) 전날 대비 신규확진자 증감(막대_빨간색)을 통하여 2020년
3월 12일을 기점으로 코로나 확산이 사그러지고...

https://dacon.io 14
1-4. 국내 지역별 현황 (확진자 수)
1
2
1. ‘TimeProvince.csv’ 파일을 통해 지역별
확진자 수 데이터 가져오기
누적 데이터이므로 4/30일 데이터만 사용
지역과...

https://dacon.io 15
1-4. 국내 지역별 현황 (확진자 수)
국내 지역별 확진자 수 현황을 살펴보면, 신천지 사태의 근원지인 대구가 전체 확진자의 66%를 차지하
며 가장 높고, 그 뒤를 경상북도와 경기...

https://dacon.io 16
1-4. 국내 지역별 현황 (사망률)
1
1. ‘TimeProvince.csv’ 파일을 통해 지역별
사망자 수 데이터 가져오기
누적 데이터이므로 4/30일 데이터만 사용
지역과 확진자...

https://dacon.io 17
1-4. 국내 지역별 현황 (사망률)
지역별 사망률을 (각 지역의 사망자 수 / 각 지역의 확진자 수)로 계산하여 구했습니다.
그 결과, 경상북도가 가장 높은 사망률을 나타내고, 가장...

https://dacon.io 18
1-5. 확진자 이동동선 파악
1
2
3
1. 날짜, string형식을 integer형식으로 변환
2. ‘PatientRoute.csv’ 파일을 통해 확진자
이동경로 데이터 불러오기
...

https://dacon.io 19
1-5. 확진자 이동동선 파악
< 2020-02-17일 시각화 > < 2020-03-17일 시각화>
Pydeck 라이브러리를 이용하여, 확진자가 방문한 빈도가 높을수록 색이 붉어지고 ...

Chapter 2
1
2
3
https://dacon.io 20
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

https://dacon.io 21
2-1. 유동인구가 코로나에 끼치는 영향
우리는 충격적인 집단감염(신천지 등)을 통해 코로나19 바이러스가 얼마나 전파력이 강한지 알 수 있었습니다.
역학자 Matteo Chinazz...

https://dacon.io 22
2-2. 코로나 관심도와 유동인구 추이
1
1. ‘SearchTrend.csv’, ‘SeoulFloating.csv’ 파일을 통해
코로나 검색량 및 서울 유동인구 데이터 가져오기
서울...

https://dacon.io 23
2-2. 코로나 관심도와 유동인구 추이
(2020/02/23일의 서울시 대중교통 데이터와 도로교통량 데이터를 살펴본 결과 이 날의 ‘SeoulFloating.csv’ 파일 데이터가 부...

https://dacon.io 24
2-3. 서울시 유동인구 3D지도 시각화 ( 1 )
1
1. 공공데이터포털에서부터 전국 행정구역,
geojson파일을 geopandas를 이용하여
데이터프레임 형태로 가져오기
서울 ‘...

https://dacon.io 25
2-3. 서울시 유동인구 3D지도 시각화 ( 2 )
4
4. sklearn의 MinMaxScaler를 통해
유동인구 평균 정규화
날짜별 유동인구를 담은 ‘seul’과
지역별 행정구역 ...

https://dacon.io 26
2-3. 서울시 유동인구 3D지도 시각화
< 2020-01-18일 시각화 > < 2020-01-25일 시각화 >
위의 두 서울 행정구역 시각화는 각 구역의 색이 밝을수록 높이가 높을수...

https://dacon.io 27
2-4. 서울시 유동인구에 따른 접촉자 수 파악 ( 1 )
1. ‘PatientRoute.csv’, ‘PatientInfo.csv’ 파일을 통해
환자 이동경로, 환자 정보 데이터 가져...

https://dacon.io 28
2-4. 서울시 유동인구에 따른 접촉자 수 파악 ( 2 )
3. 앞서 ‘2-3. 서울시 유동인구 3D 지도 시각화’
부분을 한 번 더 사용
- 3d 효과만 제거
- 신천지 사태 발생일...

https://dacon.io 29
2-4. 서울시 유동인구에 따른 접촉자 수 파악
위의 지도 시각화는 신천지 집단 감염 사태가 보고된 2020-02-18일에, 확진자가 방문한 곳을 육각형으
로 표시하고 빈도를 높이로 ...

https://dacon.io 30
2-5. 지하철 승객수로 본 서울시 유동인구
1. 2020년 1월, 2월, 3월, 4월의 일자별 서
울시 지하철 승객 수 데이터 가져오기
2. 4개월간의 데이터 정렬 및 합치기
데이터...

https://dacon.io 31
2-5. 지하철 승객수로 본 서울시 유동인구

https://dacon.io 32
2-6. 코로나 이후 유동인구 변화
1. 비교데이터 칼럼 생성 1
코로나 영향권에 있는 유동인구 수와 비교하
기 위한 데이터로
첫확진인 1월 20일 이전 주 1월 13일(월) ~ 1
...

https://dacon.io 33
2-6. 코로나 이후 유동인구 변화
4. ‘pyecharts’ 라이브러리를 활용한 시각화
line그래프로 2020년 1~4월의 유동인구 양상
을 2020년 코로나 확산 전, 전년도 같...

https://dacon.io 34
2-6. 코로나 이후 유동인구 변화
일별 서울 지하철 승차객 시각화를 통하여 일주일 주기로 평일에 점점 증가하다가 토요일에 급감, 일요일에 또
다시 급감하는 주별(월~일) 주기를 볼 ...

https://dacon.io 35
2-7. 신규확진자에 따른 유동인구 변화
4. ‘pyecharts’ 라이브러리를 활용한 시각화
line그래프로 2020년 1~4월의 전날 대비 신규
확진자 증감과 코로나 사태 이전 일...

https://dacon.io 36
2-7. 신규확진자에 따른 유동인구 변화
코로나 첫환자 발생 이전주(1월 9일(월) ~ 1월 16일(일))와 해당 일자의 유동인구를 비교하여 시각화함으로 신규
확진자 발생의 변동이 유...

https://dacon.io 37
2-8. 재난경보 단계에 따른 유동인구 변화
1. 코로나관련 정책 데이터 가져오기
코로나관련 정책 데이터인 Policy.csv 가져
오기
그 중 재난경보 단계에 해당하는
Infecti...

https://dacon.io 38
2-8. 재난경보 단계에 따른 유동인구 변화
비교 데이터(전 주, 전 년_설명은 유동인구 추이 그래프에서) 대비 유동인구가 급락한 첫날인 2월 23일은
정부가 위기 경보를 최고 단계인...

https://dacon.io 39
2-9. 사회적거리두기 단계에 따른 유동인구 변화
1. 코로나관련 정책 데이터 가져오기
코로나관련 정책 데이터인 Policy.csv 가져
오기
그 중 사회적 거리두기에 해당하는
Soc...

https://dacon.io 40
2-9. 사회적 거리두기 단계에 따른 유동인구 변화
갑작스런 신규확진자 증가로 인하여 급감했던 유동인구가 신규확진자 감소와 코로나사태 둔화에도 유지
되는 양상을 보이고 있습니다.
이는...

https://dacon.io 41
2-10. 개학연기에 따른 유동인구 변화
1. 코로나관련 정책 데이터 가져오기
코로나관련 정책 데이터인 Policy.csv 가져
오기
그 중 개학연기에 해당하는
School Openi...

https://dacon.io 42
2-10. 개학연기에 따른 유동인구 변화
위 그래프를 통하여 학교 개학연기에 해당하는 기간에 유동인구가 감소된 상태로 안정적으로 지속되고
있는 상황을 볼 수 있으며
이를 통하여, 학교...

Chapter 3
1
2
3
https://dacon.io 43
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

https://dacon.io 44
3-1. 연령대별 코로나 현황 ( 확진자 )
1 1. ‘PatientInfo.csv’, ‘TimeAge.csv’파일을 통해
환자 정보와 시간대별 연령 및 확진자
데이터 가져오기
‘Ti...

https://dacon.io 45
3-1. 연령대별 코로나 현황 ( 사망자 )
1 1. ‘PatientInfo.csv’, ‘TimeAge.csv’파일을 통해
환자 정보와 시간대별 연령 및 확진자
데이터 가져오기
‘Ti...

https://dacon.io 46
3-1. 연령대별 코로나 현황 ( 확진자 & 사망자 )
알려진바와 같이, 젊은 청년층보다 고령층의 바이러스 치사율이 높음을 확인할 수 있습니다. 이와 함께,
주목할 점은 20대의 경우...

https://dacon.io 47
3-1. 연령대별 코로나 현황 ( 전파 횟수_1 )
1 1. ‘PatientInfo.csv’ 파일을 통해
환자 정보 데이터 가져오기
‘infected_by’ 컬럼을 통해 전파시킨 환자...

https://dacon.io 48
3-1. 연령대별 코로나 현황 ( 전파 횟수_2 )
1
1. ‘pyecharts’ 라이브러리를 활용한 시각화
‘bar’그래프와 ‘line’그래프를 생성
‘bar’그래프엔 연령대별 전파...

https://dacon.io 49
3-1. 연령대별 코로나 현황 ( 전파 횟수)
데이터 결측값이 많아 정확한 해석이 어려울 수 있으나, 그래프 결과를 보면 40대의 전파 횟수가 가장 많음
을 알 수 있습니다. 아무래도...

https://dacon.io 50
3-2. 고령층 감염경로
1. ‘PatientInfo.csv’ 파일을 통해 고령층
감염경로 데이터 가져오기
고령층의 연령은 60 ~ 90대로 설정
감염경로를 한글로 변경하고,
확진자 ...

https://dacon.io 51
3-2. 고령층 감염경로
앞서 연령대별 코로나 현황을 파악한 결과, 비교적 적은 확진자 수에 비해 치사율이 눈에 띄게 높은 고령
층에 초점을 두고 코로나 감염 경로를 분석해보았습니다....

https://dacon.io 52
3-3. 지역별 고령화에 따른 코로나 검사속도 ( 1 )
1 1. ‘선별진료소목록’ 및 ‘승차검진 선별진료소’
데이터 가져오기
진료소 데이터 중 주소만 추출해서 하나의
데이터 셋으로 ...

https://dacon.io 53
3-3. 지역별 고령화에 따른 코로나 검사속도 ( 2 )
3
3. 전국 진료소 데이터 및
전국 인구 및 행정구역별 고령화 비율 데이터
가져오기
데이터 통일성을 위해 ‘세종시’의 경우,...

https://dacon.io 54
3-3. 지역별 고령화에 따른 코로나 검사속도 ( 3 )
5 5. 전국 시/군/구 데이터를 가져오기
❹번 단계에서의 ‘df’ 데이터셋과의 병합 전,
‘시’ 단위 통일을 위해 주소 데이...

https://dacon.io 55
3-3. 지역별 고령화에 따른 코로나 검사속도 ( 4 )
7 7. ‘pydeck’ 라이브러리를 활용한 시각화
layer 설정
‘ScatterplotLayer’ : 해당 위치에 원점 표...

https://dacon.io 56
3-3. 지역별 고령화에 따른 코로나 검사속도
위의 그림은 지도 색이 밝을수록 고령화 비율이 높음을 나타냅니다. 그리고 붉은 색 점이 선별진료소를 나
타내고 있습니다.
그림을 살펴보면...

https://dacon.io 57
3-4. 지역별 평균 검진속도 ( 1 )
1
1. ‘PatientInfo.csv’, ‘region.csv’ 파일을 통해
환자정보 데이터 및 지역 데이터 가져오기
위의 두 데이터 셋을 ...

https://dacon.io 58
3-4. 지역별 평균 검진속도 ( 2 )
1
1. 확진 판정 날짜와 증상 발현 날짜 차이를
‘검사속도’로 판단
검사속도 데이터가 있는 것만 활용
검사속도 평균 계산을 위해 각 지역별
...

https://dacon.io 59
3-4. 지역별 평균 검진속도
확진자 정보 데이터에서 증상이 발현된 날짜와 확진 판정을 받은 날짜 차이를 지역별로 구해 평균을 검진
속도를 구했습니다.
증상이 발현된 날짜 데이터의 결...

https://dacon.io 60
3-4. 경상북도 연령대별 검진속도
1
1. ‘pyecharts’ 라이브러리를 활용하여 시각화
경상북도 데이터만 사용
‘bar’ 그래프를 통해 경상북도 연령대별
확진자 수 표현
‘li...

https://dacon.io 61
3-4. 경상북도 연령대별 검진속도
앞서 그래프에서 데이터가 상대적으로 많고, 연령층이 높은 경상북도가 증상발현 이후 확진 판정을 받기
까지의 기간이 평균 6.4일 걸렸습니다.
물론 ...

https://dacon.io 62
1
2
1. ‘음압_격리병상.csv’ 파일을 통해 지역별
음압/격리병상 수 데이터 가져오기
고령층 감염경로 데이터와의 병합을 위해
‘city’ 칼럼명을 ‘province’ 로 변경
2...

https://dacon.io 63
3. 지역별 고령층 확진자 수 데이터와
음압/격리병상 수 데이터 병합
고령층 감염경로 데이터에서 지역별 고령층
확진자 수 데이터만 추출
국가지정 음압병상 및 격리병상이 존재하지
않는 ...

https://dacon.io 64
3-5. 음압병상 및 격리병상 현황
코로나와 같은 감염병 환자의 경우 바이러스가 병실 밖으로 확산되는 것을 방지하기 위해 음압병실에서
치료를 받는 것이 원칙이지만, 병실이 부족한 상황...

https://dacon.io 65
1
2
3-6. 고령층 확진자 대비 음압/격리병상 수용력
1. 앞서 병합한 데이터셋에 지역별 고령층 확진자
대비 병상 수용력 칼럼 추가
음압/격리병상 수를 고령층 확진자 수로
나눈 후...

https://dacon.io 66
3-6. 고령층 확진자 대비 음압/격리병상 수용력
이번 코로나 사태에 따른 고령층 확진자 수에 비추어 보았을 때, 의료인프라 부족 현상은 더욱 심각합니
다.
고령층 확진자만을 대상으로...

https://dacon.io 67
3-7. 지역별 예상 고령층 확진자 대비 음압/격리병상 수용력 ( 1 )
1
3. 지역별 인구 수 데이터와 음압/격리병상
데이터 병합
2020년 인구 데이터에서 지역별 인구 수
데이터...

https://dacon.io 68
3-7. 지역별 예상 고령층 확진자 대비 음압/격리병상 수용력 ( 2 )
4
4. 지역별 예상 고령층 확진자 대비 음압/격리
병상 수용력 칼럼 추가
앞서 구한 고령층 확진률과 지역별 ...

https://dacon.io 69
3-7. 지역별 예상 고령층 확진자 대비 음압/격리병상 수용력
대구광역시나 경상북도가 아닌 다른 지역에서 집단 감염이 발생할 경우를 가정하여, 지역별 인구 수에
고령층 코로나 확진률을...

https://dacon.io 70
3-8. 지역별 예상 고령층 확진자 대비 필요한 음압/격리병상 수
1
1. 지역별 필요한 음압/격리병상 수 구하기
예상 고령층 확진자 대비 병상 수용력 평균
을 기준으로 필요한 음압/...

https://dacon.io 71
3-8. 지역별 예상 고령층 확진자 대비 필요한 음압/격리병상 수
그렇다면, 지역별로 몇 개의 음압/격리병상이 필요한 것일까요? 위의 지도는 예상 고령층 확진자 대비
음압/격리병상 수...

Chapter 4
1
2
3
https://dacon.io 72
연구 개요
코로나 현황
코로나 * 유동인구
0
코로나 * 고령층
4 결론 및 제언

https://dacon.io 73
4-1. 결론 및 제언 ( 1 )
현황 측면
• 2월, 신천지 사태에 따른 대구 및 근처 지역에 대한 전파가 심화되다가 3월에 접어들면서 해외 확진자 유
입에 따른 인천국제공항 및 수...

https://dacon.io 74
4-1. 결론 및 제언 ( 2 )
고령층 측면
• 고령화 비율이 높은 지역의 선별진료소 개수가 적어, 고령층의 선별진료소에 대한 접근성이 다소 취약해
보입니다.
• 코로나 사망률이 가...

THANK YOU
THANK YOU
https://dacon.io 75

Share Slideshare

LinkedIn
Facebook
Twitter

Embed

Size (px)

Show related Slideshows at end

WordPress Shortcode

Link

Share
Email

2024 Trend Updates: What Really Wor... by Search Engine Jou... 1054718 views
Storytelling For The Web: Integrate... by Chiara Aliotta 970719 views
Artificial Intelligence, Data and C... by OECD Directorate ... 905165 views
How to Leverage AI to Boost Employe... by SocialHRCamp 382887 views
2024 State of Marketing Report – by... by Marius Sescu 216911 views
Everything You Need To Know About C... by Expeed Software 234552 views

View on Slideshare

1 of 75 Ad

View on Slideshare

1 of 75 Ad